1. 影像噪聲
影像的采集、處理、傳輸等程序難免會受到噪聲的污染，阻礙了人們對影像的理解和分析，
1.1 椒鹽噪聲
椒鹽噪聲也稱為脈沖噪聲，是影像中經常看到的一種噪聲， 它是一種隨機出現的白點或黑點， 它可能是亮區中的黑色像素或暗區中的白色像素，或兩者兼有， 椒鹽噪聲可能是由影像信號的突然強干擾、模數轉換器或位元傳輸錯誤引起的， 例如，傳感器故障導致像素值為最小值，傳感器飽和導致像素值為最大值，
1.2 高斯噪聲
高斯噪聲也稱為正態噪聲，指噪聲密度函式服從高斯分布的一類噪聲， 由于高斯噪聲在空間和頻域中的數學上的簡易性，在實踐中經常使用這種噪聲模型， 高斯隨機變數 z 的概率密度函式由下式給出：
其中，z代表灰度值，μ代表z的平均值或期望值，σ代表z的標準差， 標準差的平方 σ^2 稱為z的方差，
2. 影像平滑方法
從信號處理的角度來看，影像平滑就是去除高頻資訊，保留低頻資訊， 所以我們可以對影像進行低通濾波， 低通濾波可以去除影像中的噪聲，使影像平滑，
根據濾波器的不同，影像平滑方法可分為均值濾波、高斯濾波、中值濾波等，
2.1 均值濾波
均值濾波模板用于濾除影像噪聲， 令 S xy 表示中心在 (x, y) 且大小為 m×n 的矩形子影像視窗的坐標組，
均值濾波可以表示為：
均值濾波由歸一化卷積框完成，它將中心元素替換為卷積框覆寫區域內所有像素的平均值， 例如，這是一個 3x3 的標準化均值濾波器：
cv.blur(src, ksize, anchor, borderType)
引數：
src 輸入影像
ksize 卷積核的大小
anchor 核中心，默認值(-1,-1)
borderType 邊界型別
均值濾波的優點：演算法簡單，計算速度較快，
均值濾波的缺點：去噪的同時去除了很多細節，影像變得模糊，
2.2 高斯濾波
二維高斯是構建高斯濾波器的基礎，其概率分布函式如下：
G(x,y) 的分布是凸出的帽子的形狀，這里σ可以看成兩個值，一個是x方向的標準差σx，另一個是y方向的標準差σy，
當σx和σy的值較大時，整個形狀趨于平坦； 當σx和σy的值較小時，整個形狀變得更加突出，正態分布是一條鐘形曲線， 離中心越近，數值越大；離中心越遠，數值越小，計算平滑結果時，只需要以中心點為原點，根據其他點在正態曲線上的位置，為其分配權重，即可得到加權平均值，
高斯平滑對于從影像中去除高斯噪聲非常有效，
高斯平滑首先需要確定權重矩陣，假設中心點的坐標為(0,0)，那么最近的8個點的坐標如下：
其他更遠的點可以類推，計算權重矩陣還需要設定σ的值， 假設σ=1.5，模糊半徑為1的權重矩陣如下：
這 9 個點的權重之和等于 0.4787147，如果只計算這9個點的加權平均值，它們的權重之和必須等于1，因此，必須將上述9個值除以0.4787147才能得到最終的權重矩陣，
通過權重矩陣，可以計算出高斯模糊的值， 假設有9個像素，灰度值（0~255）如下：
每個點乘以相應的權重值：
可得出：
將這 9 個值相加就是中心點處的高斯模糊值， 對所有點重復這個程序，得到高斯模糊影像， 如果原始影像是彩色影像，可以分別對R、G、B三個通道進行高斯平滑，
cv.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)
引數：
src 輸入影像
ksize 高斯卷積核的大小，卷積核的寬度和高度都應為奇數，且可以不同
sigmaX 水平方向的標準差
sigmaY 豎直方向的標準差，默認為0，表示與sigmaX相同
borderType 填充邊界型別，默認為BORDER_DEFAULT
2.3 中值濾波
中值濾波是一種典型的非線性濾波技術， 其基本思想是用像素鄰域的灰度值的中值代替像素的灰度值，
中值濾波對于椒鹽噪聲特別有用，因為它不依賴于與典型值非常不同的鄰域值，
cv.medianBlur(src, ksize)
引數：
src 輸入影像
ksize 卷積核的大小
例：對圖1進行均值濾波和中值濾波去除噪聲，對圖2進行高斯濾波去除噪聲，
圖1：有椒鹽噪聲的影像，
圖2：有高斯噪聲的影像，
import cv2 as cv
import matplotlib.pyplot as plt
import matplotlib
font = {
"family": "Microsoft YaHei"
}
matplotlib.rc("font", **font)
dogsp = cv.imread("./image/dogsp.jpeg")
doggau = cv.imread("./image/dogGauss.jpeg")
# 均值濾波
dog = cv.blur(dogsp, (5, 5))
plt.imshow(dog[:, :, ::-1])
plt.title("均值濾波")
plt.show()
# 高斯濾波
dog = cv.GaussianBlur(doggau, (3, 3), 1)
plt.imshow(dog[:, :, ::-1])
plt.title("高斯濾波")
plt.show()
# 中值濾波
dog = cv.medianBlur(dogsp, 3)
plt.imshow(dog[:, :, ::-1])
plt.title("中值濾波")
plt.show()
輸出：
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/295282.html
標籤：其他